A metaheuristics-equipped post-processing model for coronary angiograms.
全自動 OCLAHE 模型透過灰狼演算法精準設定裁剪限制，在 4 項客觀品質指標全面擊敗傳統濾波器。
- OCLAHE 導入灰狼最佳化演算法（GWO），能針對不同造影條件全自動算出最佳的 CLAHE 裁剪限制參數。
- 在 PCQI、QRCM、熵值與 BRISQUE 四大指標評估中，OCLAHE 全面勝過 HE、USM、MF 與 Frangi 濾波器。
- OCLAHE 能精準放大冠狀動脈與背景的強度差異，同時避免過度強化與紋理失真，有助於精確辨識血管狹窄。
將灰狼最佳化演算法導入冠狀動脈攝影的後處理階段，能讓對比限制自適應直方圖等化（CLAHE）的裁剪限制參數全自動化。這個嶄新的最佳化模型，在 PCQI 與 QRCM 等四項嚴格的客觀影像指標上，全面擊敗了傳統的直方圖等化與 Frangi 濾波器，不僅大幅提升血管對比，更徹底消除了過度強化的失真現象。
冠狀動脈攝影後處理與 CLAHE 的參數困境
血管攝影在心血管疾病的診斷與介入治療中扮演著決定性的角色，但原始的冠狀動脈影像往往會受到背景軟組織重疊、X 射線散射以及造影劑（Contrast media）在血管內分佈不均等物理限制的影響，導致微小血管的影像對比度不足。為了在不提高 kVp 與 mAs、且維持 ALARA（劑量合理抑低原則）的前提下提升影像品質，數學後處理演算法成為不可或缺的技術環節。其中，對比限制自適應直方圖等化（Contrast-limited adaptive histogram equalization, CLAHE）因其卓越的局部對比提升能力，被廣泛應用於醫學影像的增強。有別於傳統的全域處理，CLAHE 將整張影像切割成多個微小的區塊（Tiles），針對每一個區塊獨立進行直方圖等化，隨後再利用雙線性插值（Bilinear interpolation）消除區塊間的邊界偽影。這種機制能有效強化微小血管的邊緣與細節，讓原本模糊的末梢血管分支變得更加清晰。
從實際運算層面來看，要讓 CLAHE 發揮最大效用，裁剪限制（Clip limit, CL）參數的設定是絕對的關鍵。裁剪限制的主要功能是設定一個閾值，防止在直方圖等化的過程中，某些灰階值因為過度集中而導致影像雜訊被異常放大。如果 CL 值設定過高，影像的整體對比度雖然會顯著提升，但背景的雜訊與系統偽影也會隨之暴增，造成嚴重的視覺失真與過度曝光；反之，若 CL 值設定過低，演算法的介入程度不足，則無法達到預期的血管強化效果。在常規的臨床影像處理流程中，針對每一張具有不同背景組織密度與造影劑濃度的冠狀動脈攝影影像，要手動微調出最佳的 CL 值不僅極度耗時，且高度依賴技術人員與醫師的個人經驗。這項參數調校的瓶頸，直接限制了 CLAHE 在高通量心導管室與自動化分析系統中的穩定性。
導入灰狼最佳化演算法建構 OCLAHE 自動模型
為解決手動調校裁剪限制參數的痛點，本研究團隊提出了一種創新的參數最佳化模型。研究首度將灰狼最佳化（Grey wolf optimization, GWO）演算法導入冠狀動脈攝影的後處理架構中。GWO 是一種基於群體智能（Swarm intelligence）的元啟發式演算法，其數學運算邏輯完美模擬了自然界中灰狼群體的嚴格階級制度與包圍狩獵行為。在影像後處理的參數尋優過程中，演算法將各種可能的 CL 參數組合視為搜尋空間中的目標獵物，透過 Alpha、Beta 與 Delta 等不同權重的虛擬狼群進行空間探索與收斂。這種非線性的動態尋優機制，特別適合用來處理冠狀動脈影像中，血管訊號與複雜背景雜訊之間高度非線性的對比度變化，能夠在極短的時間內鎖定最佳的參數設定。
除了強大的搜尋引擎，一個有效的最佳化模型還需要精確的適應度函數（Fitness function）來引導演算方向。研究特別將基於區塊的對比品質指標（Patch-based contrast quality index, PCQI）嵌入至模型中，作為每次迭代運算的適應度評估標準。PCQI 是一種能夠敏銳量化影像局部區域對比度變化的數學指標，它會嚴格懲罰任何因運算過度而產生的結構破壞或像素過衝（Overshoot）現象。透過將 GWO 演算法的高效搜尋能力與 PCQI 的嚴格品質把關深度結合，研究成功建構出一個全自動的參數最佳化模型。這個被命名為最佳化對比限制自適應直方圖等化（Optimum CLAHE, OCLAHE）的全新架構，能夠針對每一筆輸入的冠狀動脈造影數據，獨立且動態地運算出專屬的裁剪限制參數，徹底排除了人為經驗干預的不確定性。
HE、USM、MF 與 Frangi 濾波器的技術局限性
若細看對照組的設定，為了嚴格驗證 OCLAHE 模型在提升血管造影品質上的實際效能，研究將其與目前影像處理領域中最具代表性的四種先進（State-of-the-art）演算法進行了全面的對比測試。首先是傳統的直方圖等化（Histogram equalization, HE），這是一種基於全域像素分佈的對比提升技術。雖然 HE 的運算速度極快，但在處理亮度分佈極端不均的冠狀動脈攝影時，極易將背景組織的雜訊拉升至與血管同等的亮度，造成關鍵的暗部細節徹底丟失。其次是非銳化濾鏡（Unsharp masking, USM），這項技術透過將原始影像與其模糊化後的版本相減，藉此突顯高頻的血管邊緣特徵。儘管 USM 能增加影像的銳利度，但其缺點在於會同步放大高頻雜訊，並且極易在血管邊緣產生不自然的亮圈假影（Halo effect），干擾醫師對狹窄邊緣的精確判斷。
面對複雜的血管結構，第三種被納入比較的技術是形態學濾波（Morphological filtering, MF）。形態學運算利用預先定義的結構元素（Structuring elements），對影像進行一系列的膨脹（Dilation）與侵蝕（Erosion）處理，在提取管狀結構時具備獨特的數學優勢。然而，當冠狀動脈影像中存在極度密集的微小分支或強烈的背景組織重疊時，形態學濾波有時會因為幾何判斷錯誤，將雜訊斑塊誤認為血管結構。最後一項比較對象則是專為血管強化所設計的Frangi 濾波器（Frangi filter, FF）。FF 依賴 Hessian 矩陣的特徵值分析來偵測不同尺度的管狀結構，是血管分割領域的經典指標。儘管 FF 在抑制非管狀的背景雜訊方面表現極為優異，但其對尺度參數的設定極度敏感，在處理造影劑顯影較弱的末梢血管或存在病灶造成的血流截斷區域時，經常會出現管腔訊號異常斷裂的現象。
四大客觀影像品質評估指標 IQA 的驗證邏輯
為了避免單純依賴肉眼判讀所帶來的主觀視覺誤差，研究採用了四項嚴謹的客觀影像品質評估（Image quality assessment, IQA）指標，來精確量化 OCLAHE 與上述四種傳統演算法的表現差異。第一項指標即是前文提及的 PCQI。高 PCQI 值代表影像在成功提升局部對比度的同時，完美避免了灰階值過度強化所導致的細節逸失，確保了血管與軟組織交界處的真實性。第二項關鍵指標為品質感知相對對比度測量（Quality-aware relative contrast measure, QRCM）。QRCM 專注於評估影像的邊緣梯度輪廓（Gradient profiles）。當影像獲得較高的 QRCM 值時，意味著演算法在大幅強化血管對比的過程中，完整保留了原始影像的結構特徵，且沒有引發任何紋理失真（Textural distortions），這對於後續辨識血管壁鈣化或斑塊邊緣至關重要。
把焦點轉向影像的整體資訊量，第三項客觀評估指標是影像的熵（Entropy）。在醫學影像處理的資訊理論中，熵值代表著一張影像所包含的統計資訊含量。對於冠狀動脈血管攝影而言，較高的熵值表示處理後的影像包含了更為豐富的灰階層次、更多的微小細節，且整體對比度展現得更為優異。這使得放射線專科醫師在觀察血管腔內極其細微的血流變化時，能獲得最充足的視覺線索。最後一項指標則是無參考影像空間品質評估（Blind/referenceless image spatial quality evaluator, BRISQUE）。有別於前三項指標的數值越高越好，BRISQUE 是一種評估影像失真程度與不自然感的空間分數，數值越低代表品質越佳。低 BRISQUE 值反映了影像具備高度的自然外觀（Natural appearance），沒有因為強烈的數學運算或濾波器疊加，而產生突兀的數位雜訊與不自然的平滑塗抹感。
OCLAHE 在四大客觀指標的勝出與狹窄偵測價值
從最終的影像呈現與量化數據來看，結果展現了 OCLAHE 模型在冠狀動脈後處理上的卓越性能。將 OCLAHE 的輸出結果與 HE、USM、MF 以及 FF 四種先進方案進行交叉比對，OCLAHE 在所有的 IQA 指標中皆取得了全面性的勝利：它產生了更高的 PCQI、更高的 QRCM、更高的影像熵值，以及明顯更低的 BRISQUE 分數。這一面倒的客觀數據，精確地印證了 OCLAHE 演算法在影像品質控制上的核心價值。它能夠最大幅度地放大血管區域與背景組織之間的強度差異（Intensity differences），讓每一條冠狀動脈的分支與走向都變得極度鮮明，但同時又絕對不會誇大影像整體的亮度分佈。這種精準分離且不失真的影像強化特性，解決了傳統演算法為了強行拉升對比度，而頻繁犧牲影像自然度與幾何真實性的技術難題。
進一步檢視其技術應用價值，OCLAHE 產出的高階影像因為具備無紋理失真（高 QRCM 驗證）與無過度強化（高 PCQI 驗證）的雙重特質，完整保留了造影劑在血管腔內最真實的梯度變化。同時，極度豐富的影像資訊量（高熵值驗證）與極具真實感的自然外觀（低 BRISQUE 驗證），能大幅降低臨床醫師在長時間檢視動態血管攝影時的視覺疲勞與誤判風險。研究團隊總結指出，由 OCLAHE 模型所促成的冠狀動脈攝影視覺品質大幅度提升，不僅能讓醫師在進行主觀的人工閱片時，更快速且精準地識別出血管狹窄（Stenosis）的確切位置與嚴重程度，這套能將複雜參數尋優過程完全隱藏於後台的全自動化模型，更將為未來導入人工智慧輔助診斷系統的底層影像預處理，提供最純淨、最高對比的優質素材。
結合灰狼演算法與 PCQI 指標的 OCLAHE 模型，能全自動最佳化裁剪限制參數，在提升冠狀動脈局部對比的同時，徹底避免紋理失真與過度強化，大幅優化狹窄偵測的影像基礎。